Notice bibliographique
Résumé
This paper presents a study that attributes verb serialization in the interlanguage of Vietnamese-speaking ESL learners to language transfer and, furthermore, puts forward the view that such transfer bears a resemblance to substrate influence in creoles with serial verb constructions (SVCs). In a task that elicited English causatives through pictures representing the causation of events, a subset of the Vietnamese-speaking participants in this study produced a number of serial-type constructions that reflected lexicosemantic aspects of causative SVCs in Vietnamese. Speakers of Hindi-Urdu, a nonserializing language used for comparative purposes, did not produce any equivalents. Additionally, serial-type constructions with second verbs (V2s) representing a result (e.g., cook butter melt ) predominated at lower levels of lexical proficiency, whereas serials with make and a result (e.g., make broken ) were more evenly distributed across proficiency levels. One inference based on the results is that certain serials are eliminated early in the acquisition process through positive evidence obtained via English input, whereas others continue to appear beyond the elementary level because of misleadingly similar constructions in the input. A comparison of the proficiency-based transfer of “ cook butter melt ” serials in this study and the inferred transfer of SVCs in creolization suggests that, whereas transfer processes in the two contexts are congruent in certain ways (often resulting from the exigencies of communication, limited access to the TL, and linguistic convergence), the processes diverge because of differences in target norms and input conditions. The latter two factors provide one explanation for why SVC-related transfer effects were limited to a subgroup of Vietnamese-speaking participants in this study.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».